Jun, 2020

基于中心点的三维物体检测与跟踪

PDF
TL;DR本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位，并介绍了该方法中的 CenterPoint 框架，该框架检测对象的中心，然后针对其进行其他属性的回归，简化了物体跟踪，最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能，同时超过了之前单一模型方法的所有记录，并在所有 Lidar-only 提交中排名第一。
3d object detectionpoint-based detectioncenterpointobject trackinglidar
发现论文，激发创造
  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • 以点追踪物体

    本文提出了一种简单、快速而准确的目标检测和跟踪算法 CenterTrack，它可以同时进行检测和跟踪，且在线实时运行，是当前最先进的算法之一。

    Apr, 2020

  • Center3D: 基于中心点的单目三维物体检测和深度理解

    本文提出了一种基于单目 RGB 图像的 3D 目标检测方法 ——Center3D，通过利用 2D 和 3D 中心之间的差异及组合分类和回归方法，可以更加准确、高效地定位和深度估计，相较现有方法，实验表明此方法在 KITTI 数据集上表现更好。

    May, 2020

  • YOLO3D: 来自 LiDAR 点云的端到端实时 3D 方向物体边界框检测

    本文介绍一种基于 YOLO v2 算法与 3D 点云技术相结合的方法，能够在自动驾驶中快速、准确地识别 3D 物体边界框，实现了 40 帧每秒的实时性能。

    Aug, 2018

  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024

  • 野外三维物体分类检测

    本文提出了一种 3D 物体识别方法，利用 2D-3D 物体提升技术，逐步将对象检测输出增加到对象视点，关键点和 3D 形状估计，并在 Pascal3D + 数据集上同时实现 2D 边界框和视点估计的最佳方法。

    Mar, 2015

  • 基于 RGB-D 数据的三维物体检测的台阶式点云网络

    本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

    Nov, 2017

  • PointTrackNet: 一种从点云中进行 3D 物体检测和跟踪的端到端网络

    PointTrackNet 使用机器学习技术构建一个端到端的 3D 目标检测和跟踪网络，在处理极端运动状态下的 KITTI 跟踪数据集时表现卓越。

    Feb, 2020

  • 自动驾驶中的三维物体检测与跟踪的深度学习方法：简要综述

    自动驾驶中的目标检测和跟踪是重要且基础的任务，旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于 3D 目标检测和跟踪的研究进展，以帮助更好地了解该领域的现状。

    Nov, 2023

  • PointFusion：用于 3D 边界框估计的深度传感器融合

    使用 PointFusion 实现基于图像和点云信息的 3D 对象检测方法，其中 CNN 和 PointNet 网络分别处理图像和点云数据，再由新型融合网络将二者输出结合起来预测多个 3D 框及其置信度，相比现有方法在 KITTI 和 SUN-RGBD 数据集上实现更好的检测结果且无需特定模型调整。

    Nov, 2017